# 2次元入力の2クラス分類を対象としたニューラルネットワークの体験・学習・実験プログラム 仕様書

あなたは熟練したソフトウェアエンジニアおよびAI教育ツールの設計者です。以下の要件・理念・制約に基づき、Windows上で動作する「2次元入力の2クラス分類を対象としたニューラルネットワークの体験・学習・実験プログラム」を設計・実装してください。

---

# 1. ゴールと理念

## 理念（GoogleのTensorFlow Playgroundとの関係と設計思想）

* 本プログラムは、**Googleの「TensorFlow Playground」（Webブラウザ上でニューラルネットワークの挙動を対話的に可視化する教育ツール）に範をとり、その多彩な機能の中から「ニューラルネットワークの入門者が基礎概念と学習の仕組みを本質的に理解するために真に必要な機能」を厳選・洗練して、Windows上で単独動作する学習用教材として実現すること**を目指す。あわせて、入門者のAI学習に適した機能（ヒントの提示、ヘルプ画面、ビジュアルな表示の充実、AIの動作のさらなる透明化、実際の動作画面による自動実行解説）を備える。
* 入門者が設定の複雑さに戸惑うことなく、2次元平面上の2クラス分類問題を通じて次の最重要概念を、数理的な正確さを一切妥協せずに直感的に体得できることを最優先の価値とする。
  * ニューロンの総入力と活性化関数
  * 隠れ層の役割と線形分離可能性
  * 誤差逆伝播法とミニバッチ勾配降下法による学習
  * 学習データと検証データ（TensorFlow PlaygroundにおけるTestデータ）による汎化性能の評価
  * 未学習と過学習
  * L2正則化
* 利用者にとっての学習価値・体験価値を最優先にし、実装の前に画面設計・状態遷移・可視化構造を深く考え抜く。
* 具体的なアルゴリズムの内部構造やUIレイアウトの実現方法は、実装者が自律的に判断して決定する。

## ゴール

* Windows上で動作する、ニューラルネットワークおよび最新AI技術の体験・学習・実験のためのプログラムを、1つのPythonファイル（`nn_playground.py`）として完成させる。
* GoogleのTensorFlow Playgroundを参考にした、2次元入力データの2クラス分類問題における全結合ニューラルネットワークの学習過程（順伝播、損失計算、誤差逆伝播法、ミニバッチ勾配降下法、L2正則化）をリアルタイムに可視化し、対話的に実験できる主要機能を確実に実現する。
* 2次元入力データは**10種類**用意する。データの総量、ノイズ、学習データ比率、およびデータセット固有の分布パラメータ（各データセット最大2個）を、入力データごとにスライダーで調整できること。データセットはコンボボックスで選択でき、プレビューで確認できること。分布パラメータの値はデータセットごとに記憶する。
* 利用者が「触ってよかった」「期待以上だった」と感じる、以下の具体的な体験を生み出すこと。
  1. **直感と数理が結びつく発見の体験**：「同心円」「XOR」「二重渦巻き」といった線形分離不可能なデータセットに対し、まず隠れ層なし（0層）で学習させる。すると決定境界が直線にしかならず、誤分類（×印）が残ることを確認できる。その直後に隠れ層を追加して再学習させると、第1隠れ層の直線的な等値線が組み合わさり、第2隠れ層以降や出力層で滑らかな曲線の決定境界が形成されて、点群を鮮やかに分離していく。その様子を目の当たりにして、「なぜ層を深くすると非線形分類ができるのか」が腹落ちする体験。
  2. **失敗から学ぶ納得の体験**：学習率を極端に大きく設定して損失が振動・発散しても、プログラムはクラッシュしない。自動的に直前のエポックの重み・バイアスに復元して停止し、なぜ発散したのか、どう対処すべきかを通知するので、安心して極端なハイパーパラメータの実験ができる体験。また、ノイズが多く学習データ比率が低い設定で長く学習させると、学習損失が下がり続ける一方で、検証損失が最小値を過ぎて上昇する。この「過学習」の瞬間を、学習曲線上の最小検証損失エポックの縦線と、エポック0〜10,000の8段階スナップショット画像の比較によって、視覚的に捉えられる体験。
  3. **迷わず探求を深められる自律学習の体験**：ボタンや図、さらにはネットワーク図上の個々のニューロンや重みの線にマウスポインタを重ねた瞬間、その時点の重み・バイアスの正確な数値と、数学的・学術的な意味が画面下部の説明エリアに即座に表示される。さらに、利用者の操作履歴や学習状況（未学習、過学習、損失の振動など）に応じた的確なヒントが、状況理由付きでテロップ表示される。これにより、指導者が隣にいなくても自ら仮説検証サイクルを回せる体験。
  4. **見て理解する自動実行解説の体験**：自動実行解説モードでは、ツールが実際に学習を実行しながら、上記1〜3の主要概念を順に解説する。赤い疑似マウスポインタが操作位置へ移動してクリックを示し、吹き出しが説明を表示するので、利用者は操作方法と概念を同時に習得できる。

---

# 2. 必須の主要機能仕様

## (1) 対象問題とデータセット生成

* **入力空間とデータ数**：2次元入力 $(X_1, X_2) \in [-6.0, +6.0]^2$、正解ラベル $y \in \{+1, -1\}$（青：クラス $+1$、オレンジ：クラス $-1$）の2クラス分類とする。
  * 総データ数は100〜1000個（10刻み、初期値400）のスライダーで指定する。
  * 生成後、各座標を区間 $[-6, 6]$ に制限する。
  * 生成したデータは無作為に並べ替えたうえで、「学習データの比率（10%〜90%、10%刻み、初期値50%）」に従って、学習データ（記号：●）と検証データ（記号：◇）に分割する。検証データは、TensorFlow Playgroundでは「Test」と表記される汎化性能評価用データである。
  * 「変更を即時適用」が有効な場合は、スライダーやデータセットの変更をすぐに学習データへ反映し、重みを初期化する。無効な場合はプレビューだけを更新し、［データを再生成］で反映する。
* **10種類のデータセット**：ノイズは $v = \text{スライダー値}/100$ とする。スライダー値は0〜50、5刻み、初期値0。括弧内の値は標準設定。
  1. **2つのガウス分布**（ノイズ0のとき、ほとんどの場合線形分離可能）：中心 $(c, c)$ のクラス $+1$ と中心 $(-c, -c)$ のクラス $-1$ を同数ずつ生成する。各座標は独立に、分散「基準値 $+ 7.0v$」の正規分布に従う（$c=2$、基準値 $0.5$）。
  2. **同心円**（線形分離不可能）：半径 $0 \sim r$ の円内にクラス $+1$ の候補、半径 $r+g \sim 5.0$ の円環内にクラス $-1$ の候補を、同数ずつ生成する。各座標に区間 $[-5v, +5v]$ の一様乱数を加えた点が半径 $r$ の円内にあるか否かで、正解ラベル $+1 / -1$ を決定する（$r=2.5$、$g=1.0$）。
  3. **XOR**（線形分離不可能）：各座標を区間 $[-5, 5]$ の一様乱数で生成し、正の値には $m$ を加え、それ以外の値からは $m$ を減じる。各座標に区間 $[-5v, +5v]$ の一様乱数を加えた点において、$X_1 \times X_2 \ge 0$ ならクラス $+1$、負ならクラス $-1$ とする（$m=0.3$）。
  4. **二重渦巻き**（線形分離不可能）：原点から半径 $5$ まで $T$ 回転する2本の渦巻き線（互いに $180^\circ$ 回転した位置関係）に沿って、各クラスのデータを同数ずつ生成し、各座標に区間 $[-v, +v]$ の一様乱数を加える（$T=1.75$）。
  5. **2つの三日月**（線形分離不可能）：$t \sim U(0, \pi)$ とし、クラス $+1$ を $(R\cos t - R/2,\ R\sin t - g)$、クラス $-1$ を $(R/2 - R\cos t,\ g - R\sin t)$ に生成する。各座標に平均0・標準偏差 $2v$ の正規乱数を加える（$R=3$、$g=0.75$）。
  6. **チェッカーボード**（線形分離不可能）：$[-5, 5]^2$ を $k \times k$ のセルに分割する。セル幅 $w=10/k$ とし、各座標に区間 $[-wv, +wv]$ の一様乱数を加えた点のセル番号の和が偶数ならクラス $+1$、奇数ならクラス $-1$ とする（$k=4$）。
  7. **平行な3帯**（線形分離不可能）：$u = X_1\cos\theta + X_2\sin\theta$ を各座標に区間 $[-5v, +5v]$ の一様乱数を加えた点で計算し、$|u| < a$ ならクラス $+1$、それ以外はクラス $-1$ とする（$a=1.5$、$\theta=0^\circ$）。
  8. **リングと複数クラスタ**（線形分離不可能）：クラス $+1$ は、半径2.5の円周上に等間隔に置いた $k$ 個の中心から、標準偏差 $s$ の正規分布で生成する。クラス $-1$ は、その1/4を原点中心の正規分布から、残り3/4を半径 $U(4.2, 5.2)$ の円環上に生成する。各座標に平均0・標準偏差 $2v$ の正規乱数を加える（$k=3$、$s=0.5$）。
  9. **正弦波境界**（線形分離不可能）：各座標に区間 $[-5v, +5v]$ の一様乱数を加えた点において、$X_2 \ge A\sin(\omega X_1)$ ならクラス $+1$、それ以外はクラス $-1$ とする（$A=2$、$\omega=1$）。
  10. **星形**（線形分離不可能）：各座標に区間 $[-5v, +5v]$ の一様乱数を加えた点の極座標 $(\rho, \varphi)$ において、$\rho < 3 + d\cos(m\varphi)$ ならクラス $+1$、それ以外はクラス $-1$ とする（$m=5$、$d=1.5$）。

## (2) 全結合ニューラルネットワークの構造と学習アルゴリズム

* **層構成**：入力層（2ニューロン：$X_1, X_2$）、隠れ層（0〜5層、各層1〜8ニューロン、初期状態は `[4, 2]` の2層）、出力層（1ニューロン）からなる全結合ネットワークとする。
  * 隠れ層は、ボタン操作で追加（出力層の直前にニューロン2個の層を追加、最大5層）と削除（出力層の直前の層を削除、最小0層）ができる。
  * 各隠れ層のニューロン数は、ボタン操作で1〜8個の範囲で増減できる。
  * 範囲外への操作は行わず、構造を変更しないまま、上限・下限に達した旨を丁寧に通知する。
* **パラメータ初期化**：重み $w$ は区間 $[-0.5, 0.5)$ の一様乱数、バイアス $b$ はすべて $0.1$ で初期化する。乱数の種は固定せず、起動・初期化・再生成のたびに異なる結果とする。
* **順伝播**：各ニューロンは、前の層の出力値 $a_i$ と重み $w_i$ の積和にバイアス $b$ を加えた総入力 $z = \sum w_i a_i + b$ を計算し、活性化関数 $f$ を適用した出力値 $a = f(z)$ を次の層へ渡す。
* **活性化関数**：
  * 隠れ層の活性化関数は、次の3種類から選択できる。
    * **tanh**：$f(z)=\tanh(z)$、値域 $(-1, +1)$
    * **ReLU**：$f(z)=\max(0, z)$、値域 $[0, +\infty)$。$z=0$ での導関数値は $0$
    * **シグモイド関数**：値域 $(0, 1)$。指数関数のオーバーフローを防ぐため、数学的に等価な $f(z) = 0.5 \times (1 + \tanh(0.5z))$ で計算する
  * 出力層の活性化関数は **tanh** に固定する。出力値は $\hat{y} \in (-1, +1)$ で、$\hat{y} \ge 0$ なら予測クラス $+1$、$\hat{y} < 0$ なら予測クラス $-1$ とする。
  * 活性化関数やネットワーク構造を変更すると、重みを初期化する。
* **損失関数と評価指標**：
  * 損失は二乗誤差の $1/2$ の平均、$\frac{1}{N}\sum \frac{1}{2}(\hat{y} - y)^2$ とする（値域は $0 \sim 2$、L2正則化項は含めない）。
  * 正解率は、予測クラスが正解ラベルと一致したデータの割合とする。
  * 損失と正解率は、学習データ・検証データの双方について、毎エポック終了時に計算する。
* **誤差逆伝播法とミニバッチ勾配降下法**：
  * 学習データの順序は生成時に1回だけ無作為に並べ替え、エポックごとには並べ替えない。
  * 先頭からミニバッチサイズ（1〜30、1刻み、初期値10）個ずつに区切る。割り切れない端数も1個のミニバッチとして扱う。
  * ミニバッチ内の平均勾配に学習率を乗じて、重みとバイアスを更新する。学習率は `0.0001, 0.001, 0.003, 0.01, 0.03, 0.1, 0.3, 1, 3, 10` から選択する（初期値 `0.03`）。
  * 誤差逆伝播法の式は次のとおり。出力層では $\delta = (\hat{y}-y)(1-\hat{y}^2)$、隠れ層では $\delta_i = f'(z_i)\sum_j w_{ji}\delta_j$、勾配は $\partial e/\partial w_{ji} = \delta_j a_i$、$\partial e/\partial b_j = \delta_j$ である。
  * 更新後、重み $w$ に対してのみL2正則化（重み減衰：$w \leftarrow w - \text{学習率} \times \text{L2正則化係数} \times w$）を適用する。バイアスには適用しない。L2正則化係数は `0, 0.001, 0.003, 0.01, 0.03, 0.1, 0.3, 1` から選択する（初期値 `0`）。
  * 学習率・L2正則化係数・ミニバッチサイズは学習中でも変更でき、重みは保持される。
* **発散の検出と自動復元**：
  * 各エポック終了時に、重み、バイアス、学習損失、検証損失のいずれかが有限値（`isfinite`）でない場合は、直ちに学習を停止する。そのエポック開始前の重みとバイアスに復元して再評価し、通知テロップでユーザに知らせる。
  * 通知文では、原因を「数値のオーバーフローまたは非数（NaN）の発生」と正確に記述し、学習率を下げるなどの対処法を示す。

## (3) 画面構成と可視化仕様

* **学習制御**：［学習開始］、［一時停止］、［1エポック学習］、［重みを初期化］、［データを再生成］の各ボタンを備える。学習中は約15ミリ秒ごとの定期処理で、1回あたり最大0.03秒間エポックを連続実行し、約0.15秒間隔で画面を再描画する。これにより、高速な学習と滑らかなUI応答を両立させる。
* **カラーパレット**：値 $-1$ をオレンジ（`#f59322`）、$0$ を灰色（`#e8eaeb`）、$+1$ を青（`#0877bd`）とし、その間を線形補間した201段階の色表を用いる。点を重ねる背景には、25%淡色化した色表を用いる。$-1$ 未満は $-1$、$+1$ 超は $+1$ と同じ色とする。
* **ネットワーク図**：
  * 入力空間 $[-6, +6]^2$ を $40 \times 40$ の格子点に分割し、各ニューロンの出力値のヒートマップを、各ニューロンの四角枠内に描画する。入力層 $X_1, X_2$ は、入力値を $6$ で割った値を表示する。
  * ニューロン間の結合線は、重みの符号を色（正：青、負：オレンジ）、重みの絶対値を太さ（$\min(9.0, 0.8 + 1.8\vert{}w\vert{})$ ピクセル）で表す。
  * 任意のニューロンをクリックすると赤枠で選択され、「拡大図」パネルにそのニューロンの出力値ヒートマップとデータ点群を拡大表示する。
* **出力層の出力値の図**：
  * 出力層ニューロンのヒートマップ（淡色）の上に、決定境界（出力値 $0$ の等値線、黒線）を描画する。決定境界はマーチングスクエア法（格子セル上の線形補間）で求める。
  * 学習データ（●）、検証データ（◇）、誤分類データ（赤い×印）を重ねて描画し、それぞれの表示／非表示をチェックボックスで切り替えられるようにする。
* **出力層の出力値の推移（スナップショット）**：
  * エポック `0, 10, 30, 100, 300, 1000, 3000, 10000` の各終了時点における、出力層ヒートマップと検証データ正解率を自動保存し、一覧表示する。未到達のエポックは灰色で表示する。
* **学習曲線**：
  * 横軸をエポック（0〜最新エポック）、縦軸を損失（0〜記録された最大損失の線形目盛）とする。
  * 学習損失（緑実線）、検証損失（赤破線）、および検証損失が最小となったエポック（赤縦点線）を描画する。
  * 記録数が600を超える場合は、間引いて描画する。
* **インタラクティブ説明エリアと3種テロップ**：
  * マウスポインタを重ねたUI部品、図、ニューロン（その時点のバイアス値を含む）、結合線（その時点の重み値を含む）の説明を、画面下部の説明エリアに表示する。
  * 最下部には、右から左へ流れるテロップキャンバスを設け、次の3種類を表示する。
    * 「通知」（黄色）：操作結果や、発散・過学習・未学習・95%到達の判定
    * 「ヒント」（緑色）：操作履歴と学習状況の規則に基づく実験提案。表示理由付きで、チェックボックスでオン・オフできる
    * 「解説」（白色）：通知・ヒントがないときに順次流れる基礎解説
  * 通知は、現在表示中のテロップを中断して優先表示する。中断された通知・ヒントは、後で先頭から再表示する。
  * ヒント規則H6の条件は「発散を経験済み、かつ学習率が発散時の学習率以上のまま」と記述する（判定式 `lr >= div_lr` と一致させる）。

## (4) 自動実行解説モード

* ヘッダの［▶ 自動解説］ボタン、またはTキーでモードを切り替える。
* 実行中は、ヘッダに赤帯で「自動解説モード実行中（解除：Esc／T／［■ 解説終了］）」と常時表示する。吹き出しの下端にも解除方法を記載する。
* 全17手順の内容は次のとおり。各手順で、赤い疑似マウスポインタが対象の部品へ滑らかに移動し、クリックを示す輪を表示してから、実際の操作を実行する。
  1. 同心円を選び、隠れ層0層で学習させて、直線の決定境界と残る誤分類を示す。
  2. 隠れ層 `[4, 2]` で再学習させて、曲線の決定境界ができる様子を示す。
  3. 第1隠れ層のニューロンの直線的な等値線と、出力層での組合せを示す。
  4. 透明化表示（数値・勾配）を示す。
  5. 学習率10による振動・発散と自動復元を示す。
  6. ノイズ50・データ200個・学習データ比率20%・隠れ層 `[8, 6]` で過学習を起こし、学習曲線とスナップショットで示す。
  7. L2正則化係数0.01で学び直す。
* 学習は本物の計算をそのまま実行し、手順ごとに終了条件（エポック数・正解率・停止）と上限時間を設けて進行する。
* 吹き出しをクリックすると次の手順へ進む。解説中も手動操作はできる。表示モードを切り替えると、解説を自動的に解除する。

---

# 3. 技術・環境・UIに関する必須制約

1. **Windowsでの動作**：Windows環境で確実に動作すること。高DPI環境で文字や図がぼやけないよう、起動時にDPI Awarenessを設定すること。
2. **2023年以降の最新AI技術の調査と導入・学習済みモデルの活用**：
   * 主要機能と、標準ライブラリによる軽快な動作を一切損なわない範囲で、2023年以降の最新AI技術を取り入れ、その旨をプログラム内およびUI・ヘルプに明示すること。
   * 学習済みモデルをダウンロードして使用する機能を組み込むこと。ダウンロードや動作確認ができなかった場合は、確認済みと偽らず、未確認である箇所とその理由を明記すること。オフライン環境やモデル未導入環境でも、プレイグラウンド本体がエラーで停止せず完全に動作すること。
   * 【変更：現状の正直な記載】現行版は学習済みモデルを組み込んでいない。候補として、MITライセンスの karpathy/tinyllamas（llama2.c の小型モデル）を調査した [Source](https://github.com/karpathy/llama2.c)。しかし、実行環境の制約によりダウンロードと動作確認を行っておらず、この要件は**未達**である。その旨をヘルプとコードに明記する。本体はオフラインで完全に動作する。
3. **ライセンス・信頼性・動作条件の明示**：
   * 使用する学習済みモデル、外部ライブラリ、オープンデータ等の配布元の信頼性とライセンスを確認すること。
   * 必要なディスク容量、メモリ容量、GPUの有無、Pythonバージョンなどの動作条件を、利用者に明示すること。
   * TensorFlow Playground は Apache License 2.0 で公開されている [Source](https://github.com/tensorflow/playground/blob/master/LICENSE)。本プログラムはその設計思想を参考にした独立実装で、ソースコードは使用していない。
4. **AIの最新結果とAIの仕組みの可視化（オン・オフ切り替え可能）**：各層・各ニューロンの出力分布、重み、勾配、決定境界をリアルタイムに可視化し、ユーザの操作（チェックボックス：プローブ・勾配・数値）でいつでもオン・オフを切り替えられること。
5. **画面解像度・表示モードの切り替え**：
   * 縦768画素のノートPC用コンパクト表示（例：1366×768でも見切れず操作できる）と、全画面表示（4Kディスプレイ等を想定した高解像度・大画面レイアウト）を用意する。
   * ユーザは、ボタンまたはF11でいつでも切り替えられる。大画面表示からはEscでも戻れる。
6. **充実した「ヘルプ」画面（タブ切り替え）**：
   * メインGUI画面で、タブ切り替えにより「シミュレータ」画面と「ヘルプ」画面をいつでも行き来できること。ヘルプ閲覧中もバックグラウンドの学習は停止させない。
   * ヘルプ画面にはサブタブを設け、次の内容を簡潔かつ学術的に正確に記載する。
     1. **このツールの目的・基本概念・使用技術**：TensorFlow Playgroundを参考に入門者向け機能を厳選・実現した教材である旨、ニューラルネットワークの数理（順伝播、活性化関数、二乗誤差損失、誤差逆伝播法、ミニバッチ勾配降下法、L2正則化、学習データと検証データ、未学習と過学習、線形分離可能性）、10種類のデータセットの生成式、AI技術の導入状況。
     2. **画面の見方と学術的用語集**：各図・グラフ・色・記号の正確な意味と用語定義。
     3. **操作説明**：キー操作（Space、N、I、G、H、F1、F11、Esc、T）、マウス操作、画面サイズ切り替え操作、各ボタン・スライダーの動作仕様、自動実行解説モードの使い方と解除方法。
     4. **ヒントの規則と実験記録**：テロップの判定規則一覧（規則表から動的に生成し、表示と動作を一致させる）、現在の達成状態（A1〜A9）、通知・ヒント履歴、操作履歴の確認・更新機能。
     5. **ライセンス・使用条件・動作環境**：次の内容を記載する。
        * 使用ソフトウェア：Python標準ライブラリ（PSF License）、Tcl/Tk（BSD形式）。
        * 大学での授業・教育目的での利用：実行・配布・改変を妨げない。ライセンス表示を保持する。
        * 商用利用：依存ソフトウェアのライセンスは許諾しているが、本ファイル自体の利用許諾は作成者・配布者に確認する。「TensorFlow」「Google」の名称で提携・承認を示唆しない。
        * 動作環境：Windows 10／11、Python 3.9以上（python.org版でtcl/tkを含む）、追加パッケージ不要、GPU不要、メモリ約100MB、ディスク約130KB、ネットワーク不要、画面1366×768以上。

---

# 4. コードの品質・信頼性・学術的正確性に関する指針

1. **無意味なエラー終了の排除**：入力値をチェックしてエラーで打ち切るのではなく、UI設計（読み取り専用コンボボックス、範囲制限付きスライダー、上限・下限到達時の丁寧な状態通知と無変更維持）によって、不正な値が入り込まない構造にする。
2. **劣化したフォールバック処理の排除**：数値計算上のオーバーフロー防止（シグモイド関数のtanh表現）や、発散検出時のエポック開始前パラメータへの完全復元など、破綻自体が起きない本質的な工夫を行う。
3. **構造の単純化と関数への集約**：重複するUI生成・描画・評価処理を、ヘルパー関数やデータ駆動のテーブル（DATASETS、NOTICE_RULES、HINT_RULES、ACHIEVEMENTS、KEYS、TOUR）にまとめる。
4. **総行数の削減と高密度な実装**：同一の機能を、より単純で可読性の高いコードで実現する。
5. **画面表示の学術的正確性**：用語を「総入力」「活性化関数」「決定境界」「等値線」「二乗誤差」「誤差逆伝播法」「ミニバッチ勾配降下法」「L2正則化（重み減衰）」「汎化性能」「未学習」「過学習」「線形分離可能」などに統一する。
6. **コード内コメントの学術的正確性**：曖昧な俗語を使わず、数理的・情報科学的に正確に記述する。
7. **グラフ・図・数値への正確な注釈**：値域、計算式（L2正則化項を含むか否か等）、補間方法、再描画間隔との関係を、説明として添える。

---

# 5. 判断に迷ったときの優先順位

1. 法令・ライセンス・安全性（最優先）
2. Windowsで確実に動作すること
3. 主要機能の実現と学術的正確性
4. AI体験の豊かさ

---

# 6. 出力形式

* 完成したPythonプログラムのコード全体を、一切省略せずに出力する。
* 1回の出力上限を超える場合は、連続した分割ブロックとして出力する。各ブロックを順につなげると、そのまま完全な `nn_playground.py` になる形とし、各分割の先頭に「第n部／全N部」と継続位置を明記する。
